AI怎么訓(xùn)練機(jī)器學(xué)習(xí)的模型

這篇文章將為大家詳細(xì)講解有關(guān)AI怎么訓(xùn)練機(jī)器學(xué)習(xí)的模型，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

1.Training: 如何訓(xùn)練模型

一句話理解機(jī)器學(xué)習(xí)一般訓(xùn)練過(guò)程 ：通過(guò)有標(biāo)簽樣本來(lái)調(diào)整（學(xué)習(xí)）并確定所有權(quán)重Weights和偏差Bias的理想值。

訓(xùn)練的目標(biāo)：最小化損失函數(shù)

（損失函數(shù)下面馬上會(huì)介紹）

機(jī)器學(xué)習(xí)算法在訓(xùn)練過(guò)程中，做的就是：檢查多個(gè)樣本并嘗試找出可最大限度地減少損失的模型；目標(biāo)就是將損失(Loss)最小化

上圖就是一般模型訓(xùn)練的一般過(guò)程（試錯(cuò)過(guò)程），其中

• 模型： 將一個(gè)或多個(gè)特征作為輸入，然后返回一個(gè)預(yù)測(cè) (y') 作為輸出。為了進(jìn)行簡(jiǎn)化，不妨考慮一種采用一個(gè)特征并返回一個(gè)預(yù)測(cè)的模型，如下公式（其中b為 bias，w為weight）

• 計(jì)算損失：通過(guò)損失函數(shù)，計(jì)算該次參數(shù)（bias、weight）下的loss。

• 計(jì)算參數(shù)更新：檢測(cè)損失函數(shù)的值，并為參數(shù)如bias、weight生成新值，以降低損失為最小。

例如：使用梯度下降法，因?yàn)橥ㄟ^(guò)計(jì)算整個(gè)數(shù)據(jù)集中w每個(gè)可能值的損失函數(shù)來(lái)找到收斂點(diǎn)這種方法效率太低。所以通過(guò)梯度能找到損失更小的方向，并迭代。

舉個(gè)TensorFlow代碼栗子，對(duì)應(yīng)上面公式在代碼中定義該線性模型：

y_output = tf.multiply(w,x) + b

假設(shè)該模型應(yīng)用于房?jī)r(jià)預(yù)測(cè)，那么y_output為預(yù)測(cè)的房?jī)r(jià)，x為輸入的房子特征值（如房子位置、面積、樓層等）

2. Loss Function:損失和損失函數(shù)

損失是一個(gè)數(shù)值 表示對(duì)于單個(gè)樣本而言模型預(yù)測(cè)的準(zhǔn)確程度。

如果模型的預(yù)測(cè)完全準(zhǔn)確，則損失為零，否則損失會(huì)較大。

訓(xùn)練模型的目標(biāo)是從所有樣本中找到一組平均損失“較小”的權(quán)重和偏差。

損失函數(shù)的目標(biāo)：準(zhǔn)確找到預(yù)測(cè)值和真實(shí)值的差距

如圖 紅色箭頭表示損失，藍(lán)線表示預(yù)測(cè)。明顯左側(cè)模型的損失較大；右側(cè)模型的損失較小

要確定loss，模型必須定義損失函數(shù) loss function。例如，線性回歸模型通常將均方誤差用作損失函數(shù)，而邏輯回歸模型則使用對(duì)數(shù)損失函數(shù)。

正確的損失函數(shù)，可以起到讓預(yù)測(cè)值一直逼近真實(shí)值的效果，當(dāng)預(yù)測(cè)值和真實(shí)值相等時(shí)，loss值最小。

舉個(gè)TensorFlow代碼栗子，在代碼中定義一個(gè)損失loss_price 表示房?jī)r(jià)預(yù)測(cè)時(shí)的loss，使用最小二乘法作為損失函數(shù)：

loss_price = tr.reduce_sum(tf.pow(y_real - y_output), 2)

這里，y_real是代表真實(shí)值，y_output代表模型輸出值（既上文公式的y' ），因?yàn)橛械臅r(shí)候這倆差值會(huì)是負(fù)數(shù)，所以會(huì)對(duì)誤差開平方，具體可以搜索下最小二乘法公式

3. Gradient Descent:梯度下降法

理解梯度下降就好比在山頂以最快速度下山：

好比道士下山，如何在一座山頂上，找到最短的路徑下山，并且確定最短路徑的方向

原理上就是凸形問(wèn)題求最優(yōu)解，因?yàn)橹挥幸粋€(gè)最低點(diǎn)；即只存在一個(gè)斜率正好為 0 的位置。這個(gè)最小值就是損失函數(shù)收斂之處。

通過(guò)計(jì)算整個(gè)數(shù)據(jù)集中 每個(gè)可能值的損失函數(shù)來(lái)找到收斂點(diǎn)這種方法效率太低。我們來(lái)研究一種更好的機(jī)制，這種機(jī)制在機(jī)器學(xué)習(xí)領(lǐng)域非常熱門，稱為梯度下降法。

梯度下降法的目標(biāo)：尋找梯度下降最快的那個(gè)方向

梯度下降法的第一個(gè)階段是為 選擇一個(gè)起始值（起點(diǎn)）。起點(diǎn)并不重要；因此很多算法就直接將 設(shè)為 0 或隨機(jī)選擇一個(gè)值。下圖顯示的是我們選擇了一個(gè)稍大于 0 的起點(diǎn)：

然后，梯度下降法算法會(huì)計(jì)算損失曲線在起點(diǎn)處的梯度。簡(jiǎn)而言之，梯度是偏導(dǎo)數(shù)的矢量；它可以讓您了解哪個(gè)方向距離目標(biāo)“更近”或“更遠(yuǎn)”。請(qǐng)注意，損失相對(duì)于單個(gè)權(quán)重的梯度（如圖 所示）就等于導(dǎo)數(shù)。

請(qǐng)注意，梯度是一個(gè)矢量，因此具有以下兩個(gè)特征：

• 方向

• 大小

梯度始終指向損失函數(shù)中增長(zhǎng)最為迅猛的方向。梯度下降法算法會(huì)沿著負(fù)梯度的方向走一步，以便盡快降低損失

為了確定損失函數(shù)曲線上的下一個(gè)點(diǎn)，梯度下降法算法會(huì)將梯度大小的一部分與起點(diǎn)相加

然后，梯度下降法會(huì)重復(fù)此過(guò)程，逐漸接近最低點(diǎn)。（找到了方向）

• 隨機(jī)梯度下降法SGD：解決數(shù)據(jù)過(guò)大，既一個(gè)Batch過(guò)大問(wèn)題，每次迭代只是用一個(gè)樣本（Batch為1），隨機(jī)表示各個(gè)batch的一個(gè)樣本都是隨機(jī)選擇。

4. Learning Rate:學(xué)習(xí)速率

好比上面下山問(wèn)題中，每次下山的步長(zhǎng)。

因?yàn)樘荻仁噶烤哂蟹较蚝痛笮?，梯度下降法算法用梯度乘以一個(gè)稱為學(xué)習(xí)速率（有時(shí)也稱為步長(zhǎng)）的標(biāo)量，以確定下一個(gè)點(diǎn)的位置。這是超參數(shù)，用來(lái)調(diào)整AI算法速率

例如，如果梯度大小為 2.5，學(xué)習(xí)速率為 0.01，則梯度下降法算法會(huì)選擇距離前一個(gè)點(diǎn) 0.025 的位置作為下一個(gè)點(diǎn)。

超參數(shù)是編程人員在機(jī)器學(xué)習(xí)算法中用于調(diào)整的旋鈕。大多數(shù)機(jī)器學(xué)習(xí)編程人員會(huì)花費(fèi)相當(dāng)多的時(shí)間來(lái)調(diào)整學(xué)習(xí)速率。如果您選擇的學(xué)習(xí)速率過(guò)小，就會(huì)花費(fèi)太長(zhǎng)的學(xué)習(xí)時(shí)間：

繼續(xù)上面的栗子，實(shí)現(xiàn)梯度下降代碼為：

train_step = tf.train.GradientDescentOptimizer(0.025).minimize(loss_price)

這里設(shè)置梯度下降學(xué)習(xí)率為0.025, GradientDescentOptimizer()就是使用的隨機(jī)梯度下降算法， 而loss_price是由上面的損失函數(shù)獲得的loss

至此有了模型、損失函數(shù)以及梯度下降函數(shù)，就可以進(jìn)行模型訓(xùn)練階段了：

Session = tf.Session()
Session.run(init)
for _ in range(1000):
	Session.run(train_step, feed_dict={x:x_data, y:y_data})

這里可以通過(guò)for設(shè)置固定的training 次數(shù)，也可以設(shè)置條件為損失函數(shù)的值低于設(shè)定值，

x_data y_data則為訓(xùn)練所用真實(shí)數(shù)據(jù)，x y 是輸入輸出的placeholder（代碼詳情參見TensorFlow API文檔）

5. 擴(kuò)展：BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程

BP（BackPropagation）網(wǎng)絡(luò)的訓(xùn)練，是反向傳播算法的過(guò)程，是由數(shù)據(jù)信息的正向傳播和誤差Error的反向傳播兩個(gè)過(guò)程組成。

反向傳播算法是神經(jīng)網(wǎng)絡(luò)算法的核心，其數(shù)學(xué)原理是：鏈?zhǔn)角髮?dǎo)法則

• 正向傳播過(guò)程：

輸入層通過(guò)接收輸入數(shù)據(jù)，傳遞給中間層（各隱藏層）神經(jīng)元，每一個(gè)神經(jīng)元進(jìn)行數(shù)據(jù)處理變換，然后通過(guò)最后一個(gè)隱藏層傳遞到輸出層對(duì)外輸出。

• 反向傳播過(guò)程：

正向傳播后通過(guò)真實(shí)值和輸出值得到誤差Error，當(dāng)Error大于設(shè)定值，既實(shí)際輸出與期望輸出差別過(guò)大時(shí)，進(jìn)入誤差反向傳播階段：

Error通過(guò)輸出層，按照誤差梯度下降的方式，如上面提到的隨機(jī)梯度下降法SGD，反向修正各層參數(shù)（如Weights），向隱藏層、輸入層逐層反轉(zhuǎn)。

通過(guò)不斷的正向、反向傳播，直到輸出的誤差減少到預(yù)定值，或到達(dá)最大訓(xùn)練次數(shù)。

關(guān)于“AI怎么訓(xùn)練機(jī)器學(xué)習(xí)的模型”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，使各位可以學(xué)到更多知識(shí)，如果覺得文章不錯(cuò)，請(qǐng)把它分享出去讓更多的人看到。